DND-Kit DOM模块0.0.6版本深度解析
DND-Kit是一个现代化的拖放交互库,它提供了高度可定制化的拖放功能实现。作为其核心模块之一,DOM模块负责处理与浏览器DOM相关的拖放操作。最新发布的0.0.6版本带来了多项重要改进和修复,本文将深入分析这些技术更新。
核心架构优化
本次更新对底层架构进行了重大重构,引入了全新的PositionObserver机制。这一改变彻底重构了元素位置检测和碰撞检测的实现方式:
-
批量写入操作:现在对
draggable和droppable的写入操作会进行批量处理,显著提升了性能表现。同时确保了droppable实例会在draggable实例之前注册,解决了潜在的初始化顺序问题。 -
跨窗口环境支持:改进了
instanceof检查机制,使其能够在跨窗口环境下正常工作,即使元素的window对象与执行上下文窗口不同也能正确处理。 -
类型系统增强:
DragDropManager的泛型现在会正确传递到Entity类,使得继承自Entity的类中的manager引用具有强类型支持。
传感器系统改进
传感器系统是拖放交互的核心,本次更新对多种传感器进行了优化:
-
指针传感器增强:
- 延迟了
setPointerCapture的调用时机,直到激活约束条件满足,避免干扰click等事件处理 - 改进了事件传播处理,移除了
stopImmediatePropagation,采用更优雅的事件捕获策略 - 修复了指针事件在目标元素从DOM断开后无法检测的问题,现在会在文档主体上设置指针捕获
- 延迟了
-
键盘传感器优化:
- 修复了在排序元素内部聚焦非手柄元素时意外激活的问题
- 新增
Tab键作为默认结束拖放操作的按键 - 键盘排序时使用
closestCorners碰撞检测算法替代closestCenter,提供更自然的键盘导航体验
排序功能升级
排序功能是本版本的重点改进领域:
-
跨组排序支持:
OptimisticSortingPlugin现在支持在不同组之间进行元素排序,解决了之前版本的限制。 -
元素分离设计:允许
Sortable拥有与底层source和target元素不同的element,使得碰撞检测可以针对元素的子集进行,而整个元素会在索引变化时移动。 -
动画改进:即使索引保持不变,当元素移动到不同组时也会触发排序动画,提供更流畅的视觉反馈。
辅助功能与反馈
-
辅助功能插件:在Safari中强制设置
tabindex="0",确保原生可聚焦元素始终可获得焦点。 -
反馈插件增强:
- 新增
rootElement配置选项,提供更大的布局灵活性 - 改进了反馈元素在拖拽过程中改变大小时的处理逻辑
- 新增
问题修复
本次更新修复了多个关键问题:
- 修复了
details闭合元素内的子元素被错误识别为可见的问题 - 解决了React严格模式下的生命周期回归问题
- 修正了在没有拖拽操作进行时错误调用
preventDefault和stopPropagation的问题 - 修复了
Droppable初始化时element属性未正确设置的问题 - 改进了共享元素的多个唯一droppable接收克隆代理的处理逻辑
构建与兼容性
- 新增了对跨同源iframe拖放的支持
- 在输出中添加了源映射(source maps),便于调试
- 优化了构建系统,确保更好的开发体验
这个版本的发布标志着DND-Kit在稳定性、性能和功能完备性方面都迈上了一个新台阶,为开发者提供了更强大、更可靠的拖放交互实现基础。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00